التعلم المستمر الفعال باستخدام A-GEM

في التعلم المستمر، يتم تقديم المتعلم سلسلة من المهام، حيث يقوم بشكل تدريجي ببناء أولوية مستندة إلى البيانات يمكن الاستفادة منها لتسريع تعلم مهمة جديدة. في هذا العمل، نستكشف كفاءة الطرق الحالية للتعلم المستمر من حيث تعقيد العينات، وتكلفة الحساب والذاكرة. لتحقيق هذا الغرض، نقدم أولاً بروتوكول تقييم جديد وأكثر واقعية، حيث يراقب المتعلم كل مثال مرة واحدة فقط ويتم اختيار المعايير الفائقة على مجموعة صغيرة ومجزأة من المهام التي لا تستخدم في الخبرة التعليمية والتقييم الفعلي. ثانياً، نقدم مقاييس جديدة لقياس مدى سرعة اكتساب المتعلم لمهارة جديدة. ثالثاً، نقترح إصدارًا محسنًا من GEM (Lopez-Paz & Ranzato, 2017)، يُطلق عليه Averaged GEM (A-GEM)، والذي يتمتع بنفس الأداء أو حتى أفضل من GEM، مع كونه شبه فعال حسابيًا وذا كفاءة ذاكرة عالية مثل EWC (Kirkpatrick et al., 2016) وغيرها من طرق التنظيم. أخيرًا، نوضح أن جميع الخوارزميات بما في ذلك A-GEM يمكنها التعلم بشكل أسرع إذا تم توفير وصفات للمهام تحدد مهام التصنيف المدروسة. تظهر تجاربنا على عدة مقاييس قياسية للتعلم المستمر أن A-GEM يمتلك أفضل التوازن بين الدقة والكفاءة.